货拉拉技术

随着项目扩大，业务线拆分到各团队独立维护，同时又希望将多个项目融合在一起，微前端就能很好地解决这类问题。 传统单应用中，错误堆栈信息能精准指向代码位置，是排查问题的 “导航图”。但微前端架构下，主应用

一、前言 货运行业的安全运输是保障货物完整、人员生命财产安全的基石。因为事故一旦发生，将对企业和社会带来巨大的经济损失。如何及时发现运输中的安全问题并对司机和用户进行有效干预，是一个非常重要的课题。

一、引言：从“能用”到“好用”，我们为何要重塑覆盖率平台？ 质量部门在日常测试中，一直依赖覆盖率数据衡量测试效果。然而，过去的覆盖率系统存在不少问题： 指标维度单一：仅提供整体的行覆盖率，缺乏更细致的

在AI浪潮下，LLM（大语言模型） 凭借其SQL解释能力，能够打通自然语言到SQL的壁垒，给 "智能查数" 这个之前无法触碰的场景，提供了无限想象的可能。

多机分布式任务中，xxl-job参数通过InheritableThreadLocal传递，线程池复用未清理致读到旧参数，问题深入分析及使用建议

本文提出并实践了一条由AI Agent驱动的自动化逻辑漏洞审计工具。通过将传统SAST的深度分析能力与LLM的强大推理能力相结合，并借助RAG、ToT、ReAct等框架，模拟安全专家进行人工审计的方式

一. 背景 我们司机端App从iOS18系统开始出现了BackBoardServices库的方法触发exit调用，而exit执行之后，C++全局变量对象进行析构导致的崩溃。 具体崩溃堆栈用两种: 第一

详细介绍了货拉拉在引入大模型过程中遇到的挑战，向量数据库选型思考和实际落地场景。RAG 通过整合领域专有知识、私有数据以及实时数据，显著降低了答案生成的不确定性，增强了数据安全性。

PG是全球三大计算机图形学国际会议之一，我们发表的SOD-diffusion论文被PG2024录用，本文对论文进行了详细解读。